新智元报道

编辑：桃子 好困

阿里昨晚放大招，正式开源通义DeepResearch，一举登顶碾压OpenAI、DeepSeek。模型、框架、方案全部开源，背后核心技术报告一同公开了。

阿里又双叒叕上大分了！

就在昨天，阿里旗下首个深度研究Agent模型——通义DeepResearch正式开源。

在多项权威基准上，通义DeepResearch狂飙SOTA，仅依靠30B参数（激活3B）就能大杀四方！

在号称人类最后的考试榜单HLE（Humanity's Last Exam）中，通义DeepResearch更是拿下了32.9%的最高分，超越DeepSeek-V3.1（29.8%）和OpenAI DeepResearch（26.6%），霸榜全球第一！

在OpenAI提出的超高难度BrowseComp榜单上，通义DeepResearch以43.4%的准确率领跑开源榜单。

值得一提的是，模型、框架、方案全面开源，开发者即可在Hugging Face、GitHub下载。

目前，GitHub项目已狂揽7.2k星。

项目地址：https://github.com/Alibaba-NLP/DeepResearch

Hugging Face模型地址：https://huggingface.co/Alibaba-NLP/Tongyi-DeepResearch-30B-A3B

ModelScope模型地址: https://modelscope.cn/models/iic/Tongyi-DeepResearch-30B-A3B

技术博客: https://tongyi-agent.github.io/blog/introducing-tongyi-deep-research/

这波充满了诚意的开源操作和出色性能，直接点燃了AI圈！

不仅引来广大网友们纷纷致谢，甚至Hugging Face联合创始人兼CEOClem Delangue和斯坦福NLP实验室等科技大V在第一时间进行转发关注。

不止于问答：AI的「研究员」时代

我们已经习惯了AI的有问必答，但如果问题本身就无比复杂呢？

AI Deep Research 给出了答案。它彻底告别了「一问一答」的模式，进化为一位真正的「研究员」。面对一个棘手的问题，它会自主规划一条完整的研究路径，像人类专家一样工作：

深度搜寻—多源交叉—结构化归纳—报告生成

你得到的，将是一份真正能解决问题的方案：论据有源可溯，过程清晰可复现，结论掷地有声。

通义DeepResearch既可以是你的资深研究员，也能是你的高效私人助手，其首要任务便是将宏大问题精巧地拆解为一系列逻辑清晰的子任务。

随后，它为每个环节自主调用代码分析、论文检索、网页访问等工具，以层层递进、自主循环的方式完成整个研究链路。

说多无用，不如看一些直观的演示。

假设你正在考虑出售房子，想要了解所在地区最近楼盘的销售情况，直接找通义DeepResearch——

我住在夏威夷的珍珠城，位于瓦胡岛上。

我知道附近有两处房产于2022年售出，分别是Akaikai Loop 2072号和Komo Mai Drive 2017号。

请找出这两处房产中2022年售价更高的那套，并告诉我其成交金额。

通义DeepResearch分了四步思考：

想要完成任务，第一步就是拆解指令，然后「联网」抓取数据，查询2022年房产销售记录，并提取相应的销售价格。

搜索之后，并非一下得出结果，而是在多个来源中，反复核查确认。

在生活规划和日常决策过程中，通义DeepResearch主要调用「联网搜索」工具，准确完成了任务。

过程

回答

再来看一个比较专的领域——法律，通义DeepResearch的表现又如何？

举个栗子，生活中的法律纠纷经常见，自己又不懂法，想要解决难题扔给AI就好了。

假设一个人恰好遇到了「原告要求退还出资，但自己又欠了一屁股债，还有很多债权人」的难题，那么原告是否违反资本维持原则？

在行动之前，通义DeepResearch大脑已经有了完整的构思，从问题拆解到工具使用。

接下来，就会看到通义用上了各种工具，获取法条、案例，并查找学术观点，最终收集所有可靠信息。

可以看到，通义执行任务的整个过程非常缜密，方便后期回溯。

过程

回答

再比如，有一个博士级跨学科的难题，自己拿不准，可以请教通义。

考虑这样一个「星座」的数学模型：在一小片天区内，每颗亮于某一特定星等的恒星，都与其最近的邻居（按二维欧几里得距离计算）连接一条边。

假设恒星在天空中均匀分布，那么平均每个星座（即连通子图）包含多少颗恒星？

此处，思考过程省略亿字......

但从通义的表现中，看得出每一步的计算和思考，都是建立在深度搜索、查询，反复验证的过程之上。

除了常用的搜索、浏览工具，它还借用「Python解释器」、「谷歌学术」等工具帮自己理解，最后给出详细的报告。

那么，通义DeepResearch团队是如何炼成「超级研究大脑」？深入技术细节，让我们一一拆解。

从零开始的数据炼金术

高质量数据，是大模型的核心，也仍然是智能体的生命之源。

通义DeepResearch团队在反复试错和探索下，构建出一套完备的「智能体合成数据」体系，贯穿预训练与后训练的完整训练链路。

这个策略的终极目标，是摆脱对昂贵且稀缺的人工标注数据的依赖，用「机器生产」的方式，源源不断地创造出比人类标注质量更高、规模更庞大的训练「教材」。

第一步：智能体增量预训练数据合成

在预训练过程中，传统模型更像是一次性填鸭式教学，仍然是「记住知识」。

团队首次引入了「Agentic CPT」（增量预训练） 的概念，教会模型「使用知识」，并且构造了一个能够持续进化和扩展的智能体预训练数据合成方法AgentFounder。

构建开放世界记忆

团队首先将海量知识文档、网页爬虫数据、知识图谱，以及模型后训练产生的思考轨迹和工具使用记录，全部汇集起来，构建了一个庞大的、以实体为核心的「开放世界知识记忆库」。

接着，从这个记忆库中抽取知识点，模拟真实世界中千奇百怪的场景，自动生成无数「问题-答案」对。

动作合成

更近一步，他们构建了三种类型的「动作数据」，具体包含规划、推理和决策动作。

这种方法让模型在离线状态下，就能探索海量的推理路径，而无需昂贵的在线API调用，大大提升了训练效率和深度。

尤其是，对于「决策动作」合成，会将轨迹重构为多步骤决策过程，充分探索有效的问题解决路径，让模型决策能力大幅提升。

第二步：全自动高质量数据合成

基础打好后，如何让模型「百尺竿头，更进一步」？

在后训练阶段，团队又开发了一套全自动的合成数据生成方案，直接产出比人工标注质量还高的数据集。

从最早的WebWalker，到后来更系统的WebSailor，WebShaper，最后的WebSailor V2这一方案不断迭代。

每一步，都Scaling了数据的质量和规模。

为了生成复杂的问答对数据，他们开创了一个全新流程：

确保数据真实

从真实网站数据中提取信息，用上随机游走构建知识图谱、表格数据融合等方式，保证了问题的「原汁原味」。

人为制造「迷雾」

接着，策略性地隐藏或模糊问题中的关键信息，或以其他方式增加问题的不确定性，来提升问题的难度。

团队甚至将回答难度，建模为一系列可控的「原子操作」，由此一来，可以精准控制问题的复杂度。

杜绝「抄近道」

为了防止模型「偷懒」找捷径，团队还基于集合论把信息搜索问题形式化建模。

这不仅能生成更高质量的问题，还解决了合成数据难以验证答案正确性的行业难题。

打造「博士级」难题

此外，还开发了一个专用于生成跨科学知识、多步推理的「博士级」研究难题的自动化数据流程。

它让一个配备网络搜索、学术检索等工具的Agent，在一个循环中不断深化和扩展问题，像滚雪球一样让任务难度可控升级。

两种推理模式，征服长任务

拥有了顶级的「教材」，还需要高效的学习和思考方式。

通义DeepResearch模型同时支持两种推理模式：一个是原生的ReAct Mode，另一个是基于上下文管理的Heavy Mode。

经典模式：ReAct Mode

在标准任务中，模型采用经典的ReAct（思考-行动-观察）模式，性能超乎想象。

它就像一个直觉敏锐的行动派，凭借128K的超长上下文，可以进行多轮次的快速交互，高效解决问题。

这种通用、可拓展的推理模式，尽管简单，但其是原生模型Agentic能力的直接体现。

深度模式：Heavy Mode

放眼全世界，谷歌、OpenAI、xAI等大厂都在「深度研究」上展开布局，紧追当前Agent热点。

但是，他们大都采用了「单窗口、线性累加」信息处理模式，弊端就是信息一多，「AI大脑」就不够用了。

因为，所有中间思路和检索到的信息，都堆积在了单一的上下文中。

在处理长程任务中，这种模式下的Agent就会面临「认知空间窒息」和「不可逆的噪声污染」挑战。

最终，AI推理能力下降，难以完成长程、复杂的研究任务。

当面对极端复杂、需要长远规划的研究任务时，「深度模式」（Heavy Mode）便会启动。

具体来说，模型会将一个庞大任务分解为一系列「研究轮次」：

在每一轮开始，Agent仅从上一轮的信息中提取最精华的结论，构建一个全新的、精简的工作空间。

在这个专注的工作空间里，Agent分析问题，将关键发现整合进一个不断演变的核心报告中。

最后，它决定下一步是继续收集信息，还是给出最终答案。

这种「综合-重构」的迭代过程，让Agent在执行超长期任务时，始终能保持清晰的「认知焦点」和高质量的推理能力。

更进一步，团队还提出了Research-Synthesis框架：

让多个IterResearch Agent并行研究同一问题，最后将其报告和结论整合，从而获得更全面、更准确的答案。

这一模式下，通义30B-A3B模型在HLE、BrowseComp、BrowseComp-ZH基准上，性能再破纪录。

AI智能体自我进化

端到端训练技术革新

如果说数据和推理模式是「招式」，那么训练流程就是「心法」。

团队打通了「Agentic CPT→ SFT→ Agentic RL」端到端全链路，首次提出了两阶段的智能体增量预训练，引领了智能体训练的新范式。

此外，其基于ReAct框架的强化学习环节，最能体现其深厚的系统工程能力。

团队坦言，通过强化学习构建高质量Agent，是一项复杂的系统工程挑战。

如果将开发过程视为一个「强化学习」循环，其组件中任何不稳定，或是鲁棒性不足之处，都可能导致错误的「奖励」信号。

那么，在强化学习过程中，团队如何在算法和基础设施上取得突破？

算法是核心

针对算法，基于GRPO定制优化，严格遵循on-policy训练范式，确保信号匹配模型能力。

与此同时，采取一个token级策略梯度损失函数，以优化训练目标。结合留一法 (leave-one-out) 策略，降低优势估计方差。

为了避免「格式崩溃」现象，团队还进行多种策略的负样本筛选，比如排除过长未能生成答案的样本。

此外，通过增大批次（batch size）和组规模（group size），维持较小方差，提供充足监督信号。

如上图动态指标显示，奖励持续震荡上升。同时，策略熵（policy entropy）保持较高水平，说明模型在持续探索进化，避免了过早收敛。

这得益于Web环境的非平稳性，形成了鲁棒自适应策略，无需额外正则化。

算法稳定搞定了，就一切万事大吉了吗？显然不是。

基础设施更关键

团队分享了一个至关重要的洞见：

算法固然重要，但并非成功的唯一决定因素。数据质量和训练环境的稳定性，可能是决定强化学习项目成败的更关键一环。

一个极具说服力的现象是，团队曾尝试直接在人工标注的BrowseComp测试集上训练模型来验证算法，结果其表现远不如使用自研合成数据训练的效果。

由此，他们推测，这是因为合成数据提供了一致性更高的潜在分布，使模型能进行更有效的学习和拟合。

相较之下，规模有限、含有更多噪声的人工数据，反而让模型难以提炼和泛化。

为了实现稳定、高效的强化学习，他们构建了一套全栈式的基础设施「护城河」：

仿真训练环境：利用离线维基百科和自定义工具套件，创建了一个经济高效、快速可控的模拟训练平台，摆脱了对昂贵且不稳定的实时Web API的依赖。

工具沙盒：通过缓存结果、失败重试、饱和式响应等机制，为智能体提供了快速鲁棒的交互环境，防止工具的偶然错误破坏其学习轨迹。

自动数据管理：在训练动态的指导下实时优化数据集，通过全自动数据合成和数据漏斗，形成「数据生成」与「模型训练」之间的正向循环。

On-policy的异步框架：基于rLLM实现，让多个智能体实例并行与环境交互，独立生成轨迹，极大提升了训练效率。

通过这一系列措施，阿里团队实现了智能体强化训练的「闭环」，让模型从一个基座模型开始，通过预训练、微调，最终在强化学习中实现自我进化。

这套全栈方案，恰恰为解决复杂任务的AI智能体训练树立了全新范式。

「高德行程规划」

和「律师小助理」双开花

过去半年，通义DeepResearch团队在Deep Research研发中不断深耕，每月一篇新作，全部斩获SOTA。

通义DeepResearch团队技术报告矩阵

除了技术报告诚意满满，通义DeepResearch团队一口气连发六篇技术报告，除了延续Web系列的WebResearcher、WebWeaver、WebResummer、WebSailor V2的四篇工作之外，更是全新推出Agent系列的AgentFounder和AgentScaler！

这些重磅研究，并非是实验室的「花瓶」，它们早已走向落地，赋能阿里旗下多个产品。

比如，每个人都能感知的案例——高德「小高老师」。可能你还不知道的是，其背后就是通义DeepResearch提供的加持。

前段时间，高德暑期大版本V16，重点全面推出「地图导航+本地生活」场景。

通义团队和高德深度合作，在上述导航和本地生活场景中构建集成Deep Research能力的垂类智能体。

在规划决策中，通义团队基于Qwen模型微调构建精通地图领域的复杂「POI推理Agent」，一个超懂地图的智能助手。

它能一键get各种复杂需求，比如地理区域、参与者约束、交通约束、时间约束、POI属性等多维度信息。

举个例子，当你输入一长串要求——

我想在西湖边上找家评分4.5以上的浙菜馆，得有儿童餐，而且从地铁站走过去不能超过1公里。

AI能够立即挑出最合适的点，连怎么走都可以安排得明明白白。

再比如，假设想去奥森Citywalk，高德AI瞬间就能制定出三种攻略。

打开每一种攻略，可以看到，它会帮你做出详细的时间规划，贴心地推荐餐饮、游玩景点等。

通义出模型，高德出工具和Agent链路，由此打造出了「小德助手」惊艳的体验。

在法律领域，通义DeepResearch能力也深度融合到了「通义法睿」中，一个原生法律智能体。

它集问答、案例检索、合同审查、文书起草于一身，可以满足法律用户的需求。

升级后，基于创新性Agentic架构和迭代式规划（Iterative Planning），「通义法睿」DeepResearch大幅升级。

如今，它能够执行多步查询，依托真实判例、法规和解读，提供可追溯分析。

通过PK，「通义法睿」在三大核心维度——答案要点质量、案例引用质量、法条引用质量上，超越了OpenAI、Claude家的Deep Research。

总结

总而言之，通义DeepResearch的开源，无疑是AI社区的一大福音，人人可构建专属的深度研究智能体。

它证明了，轻量模型在「深度研究」领域中也能称霸。

它很慷慨，大方分享其背后技术秘方——合成数据+强化学习是训练模型的未来。

下一个爆款APP，或许有天，正是通义DeepResearch打造的。